Tak, filtry są generowane losowo. Przyczyna została podana w komentarzu powyżej. Parafrazując, jeżeli to człowiek miałby rozpoznawać co jest na obrazkach, to pewnie filtr sharpen nieco by to uprościł. Jednak konwolucja nie jest stosowana tu po to, aby to człowiek mógł rozpoznać obrazek, tylko po to, aby sieć neuronowa, w jakiś tam tylko jej znany sposób jak najlepiej sklasyfikowała obrazki. O odpowiednie ustawienie wartości filtrów dba algorytm propagacji wstecznej modyfikując wartości filtrów w procesie minimalizacji błędu.
Po jest ich 16? Któreś z nich okażą się w procesie nauki bardziej efektywne niż inne i te będą miały większy wpływ na wynik działania sieci. Przy jednym filtrze byłoby to wg mnie trochę jak stawianie na jedną kartę.

Jeżeli chcemy uzyskać konkretny efekt wizualny, np. wyróżnienie krawędzi lub rozmycie, to filtry ustawimy na konkretną wartość. Jeżeli jednak mówimy o uczeniu sieci konwolucyjnej , to algorytm uczący dobiera odpowiednie filtry, a nie my jako zlecający uczenie. Filtry są inicjowane losowo i dalej to algorytm propagacji wstecznej decyduje, które wartości filtrów dają najlepsze rezultaty klasyfikacji. W konsekwencji wygląd obrazka po konwolucji zrealizowanej przez maszynę często niewiele mówi ludzkiemu oku, ale za to w jakiś sposób jest istotny dla wyniku działania sieci neuronowej.

Ale z drugiej stony…. gdybyśmy mieli zastosować 16 filtrów powszechnie nam znanych np. box blur, sharpen, gaussian blur (https://ujwlkarn.files.wordpress.com/2016/08/screen-shot-2016-08-05-at-11-03-00-pm.png?w=342&h=562) , to przy kilkuset filtrach i tak część z nich miałaby wartości losowe. Dlaczego nie stosować tylko jednego filtra np. z edge detection zamiast kilkunastu filtrów z różnymi wartościami, przecież chodzi nam o uzyskanie krawędzi cyfr?